全部新闻
特里帕蒂总统发表第十三届年度大学状况演讲
UB校长Satish Tripathi博士于上周五在Lippes音乐厅发表了他第十三次年度大学状况演讲，讨论了UB对国际研究和外展项目的增加投资以及人工智能的发展。“无论你在哪里地图上随便扔一个图钉，格陵兰岛、秘鲁或南非，你会发现我们的学者正在设计复杂性，塑造政策并促进集体增长，”Tripathi说道。Tripathi表示，UB决心为“西方纽约地区的持续复苏”提供支持。Tripathi提到了纽约州长Kathy Hochul于周五上午访问了UB，并宣布UB的Empire AI联盟将在今年秋季开始研究，该联盟在六个月前提出了一项4亿美元的预算提案。如有任何问题，请联系news@ubspectrum.com
OpenAI发布实验性“Swarm”框架，引发关于人工智能驱动自动化的大讨论
2024年10月13日 7:23 PM 信用：VentureBeat 使用 Midjourney 制作 加入我们的每日和每周通讯，获取行业领先的人工智能报道的最新更新和独家内容。导航伦理雷区：人工智能网络中的安全、偏见和就业流失问题 Swarm 的发布也重新点燃了关于高级人工智能系统伦理影响的辩论。“它不适用于生产环境，我们也不会对其进行维护。” Swarm 为商业和社会在未来几年将面临的疑问和挑战提供了宝贵的预览。每日通过电子邮件获取最新新闻 通过订阅，您同意 VentureBeat 的服务条款。
AI模型LucaProt发现了25.1万个新的RNA病毒，揭示了全球范围内的隐藏多样性
一个新的深度学习模型LucaProt从全球生态系统中检测出了超过251,000种新的RNA病毒物种，揭示了南极沉积物和极端水生环境等地方前所未有的病毒多样性。LucaProt达到了最高的召回率（98.22%），在召回率和长序列处理方面优于其他方法。为了识别潜在的病毒RdRPs，采用了两种策略：LucaProt和ClstrSearch（一种传统的基于序列相似性聚类蛋白质的方法）。利用这两种方法总共确定了513,134个RNA病毒片段，代表了161,979种潜在的病毒物种（超过90% RdRP身份）和180个RNA病毒超群，与国际病毒分类委员会现有的病毒分类相当。结论 这项研究通过深度学习和大规模元转录组分析识别出超过251,000种新的病毒物种和180个新超群，增强了我们对RNA病毒世界的理解。
一种用于检测死亡调查笔记中自杀情况不一致性的自然语言处理方法
介绍近年来，美国自杀死亡人数显著增加，自2000年至2021年，自杀率上升了36%。该数据详细记录了自杀者的相关信息，包括人口统计学特征和重要的社会健康决定因素(SDoH)。尽管注释者遵守编码指南，但由于专业知识的差距和人为错误的可能性，仍然存在标注不一致的风险。在我们先前的研究中，我们开发了自然语言处理(NLP)方法从NVDRS叙述中提取自杀情况。表1各州数据统计验证注解一致性受Zeng等人的启发，我们的方法基于这样的假设：如果两个数据集的标签注释是一致的，则分别在这两个数据集上训练的模型在应用于对方时应表现出相当的预测能力。在COLING 2002:第十九届计算语言学国际会议(2002年)的论文中。Dligach, D. & Palmer, M. 减少双重注释的需求。
你的数据在人工智能丛林中裸露无遗
来自Keeper Security的最新研究描绘了一幅网络安全图景，在这幅图景中，人工智能不仅是防御工具，更是攻击者手中的武器。35%的人感觉自己完全无法应对这种新型网络威胁。但仅靠这些措施能否胜过算法呢？高级威胁检测系统：41%的企业正在投资这些高科技监控系统，然而问题仍然存在：它们能否跟上由AI驱动的威胁快速演变的步伐？但是仅仅翻出旧版网络安全手册是不够的。换句话说，除非另有证明，否则应假设每个人都是潜在威胁。虽然传统的安全措施依然重要，但公司必须采取更主动和积极的方法，采用零信任等高级框架来保持领先。
基于忆阻器的物理不可克隆函数（PUF）抵抗机器学习攻击的韧性评估
介绍智能系统目前影响了人们日常生活的多个方面，这些方面需要设备之间的高度连接和大量数据传输。不同研究提出了使用忆阻器物理不可克隆函数（PUFs），这归因于在制造层面以及称为周期到周期(C2C)变化的独特签名的内在随机性，如以下部分所述。物理不可克隆函数是物联网设备中一种有前景的轻量级加密原语，在内存受限的环境中，它们不需要存储加密密钥的内存。随着技术的进步，低成本和低功耗的PUFs设计已经被提出。在接下来的部分中，我们将进一步研究通过应用机器学习分析和攻击工具来增强NIST测试的MR-PUF输出随机性预测能力所制造出的MR-PUF的鲁棒性。各种算法用于测量分割的不纯度，对于MR-PUF我们使用基尼不纯度\(Gini = 1-\sum _{i=0}^{C}(p_i)^{2}\)，其中C表示一个类，\(p_i\)是在给定节点上属于类别i的样本的概率。Rep. 12 (1), 8633 (2022).文章 ADS PubMed PubMed Central 谷歌学术 罗丝, G.S., 麦当劳, N., 尹, L. & 维索茨基, B. 基于写入时间的用于硬件安全应用的忆阻器PUF。
日本科技公司利用人工智能帮助员工应对辱骂客户
日本科技公司NTT Communications Corp.和SoftBank Corp.正在开发利用人工智能的系统，以帮助呼叫中心员工应对辱骂客户。照片摄于2024年10月9日东京，展示了NTT Communications Corp.的原型系统的演示，该系统旨在帮助呼叫中心工作人员处理辱骂客户的事务。(Kyodo) 在面向媒体的演示中，一个原型系统向操作员提供了一个针对电信合同投诉的回答示例。该公司表示，该系统可以减轻员工的心理负担，因为许多操作人员在接受措辞强硬的投诉时难以保持冷静。公司计划在2025财年将其转化为业务。相关报道： 东京批准条例防止日本首个客户辱骂事件 日本服务业工作人员将得到保护免受辱骂客户的侵害
Meta继续在其AI工具方面犯错
我明白我已经几次提到过这个话题了，但似乎Meta对其最新AI工具的评价与这些工具有多大的实际价值之间仍然存在显著差异。社交媒体的基本理念是为人们提供一个分享他们独特视角的机会，给无声者发声的权利，并让人们在偏远社区中建立联系。为什么我会参考Meta AI来制造一个人造版本的东西呢？当我实际上可以看到令人惊叹的真实表现时，这有什么意义呢？这就是Meta似乎在AI方面一再出错的地方，推出了一些没有实际价值的功能，反而稀释了Facebook和IG的体验。别误会我，生成式AI在其产出类人成果的能力上确实令人惊叹，并且这项技术有扩展的应用场景，将确确实实地改变各行各业的任务。
Meta继续在其人工智能工具方面犯错
一篇文章 看，我知道我已经多次提到这一点了，但似乎Meta对其最新AI工具的评价与这些工具对实际用户的价值之间仍然存在显著差距。社交媒体的基本理念是给人们一个分享他们独特视角的机会，它为无声者发声，并为偏远社区的人们提供联系的手段。为什么我会参考Meta AI来制造一个人工版本的东西，当这一切实际上正在发生时，当我可以亲眼见证令人惊叹的真实表现呢？这就是Meta在AI方面似乎一再出错的地方，推出一些没有实际价值的功能，反而稀释了Facebook和IG的体验。不要误会我的意思，生成式AI在其产生类似人类输出的能力上确实非常出色，并且该技术有扩展应用将会真正变革各行各业的任务。
哈佛学生开发了一款AI工具，可在几秒钟内揭露个人数据
哈佛学生使用智能眼镜和AI技术，能够瞬间获取私人信息。发布于X，AnhPhu 对演示视频的说明是：“我们准备好迎接一个仅凭一眼就能暴露数据的世界了吗？” 不祥的技术联姻 称为I-X射线，他们的技术通过利用智能眼镜将视频实时直播到Instagram的能力来工作，在这个过程中，一台计算机程序会对流媒体进行训练，使用AI识别穿戴者面前的人脸。他们还建议用户在录制、实况转播或拍照时使用手势或语音控制。相反，学生们表示，他们的目标是提高人们对当前人工智能和技术现状的认识。这两位哈佛学生还提供了人们可以采取主动措施保护自己免受侵害的方法，即限制在线上公开的个人信息，因为试图彻底清除一个人的数字足迹是一种徒劳的努力。
